Fugu-MT 論文翻訳(概要): FEMDA: Une m\'ethode de classification robuste et flexible

論文の概要: FEMDA: Une m\'ethode de classification robuste et flexible

arxiv url: http://arxiv.org/abs/2307.01954v1
Date: Tue, 4 Jul 2023 23:15:31 GMT
ステータス: 処理完了
システム内更新日: 2023-07-06 15:31:42.373966
Title: FEMDA: Une m\'ethode de classification robuste et flexible
Title（参考訳）: femda:ロバストとフレキシブルの分類に関するune m\'ethode
Authors: Pierre Houdouin and Matthieu Jonckheere and Frederic Pascal
Abstract要約: 本稿では,新しい識別分析手法のデータのスケール変化に対するロバスト性について検討する。導出された新しい決定ルールは、他の最先端の方法と比較して、データのスケール変更が簡単で、高速で、堅牢である。
参考スコア（独自算出の注目度）: 0.8594140167290096
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Linear and Quadratic Discriminant Analysis (LDA and QDA) are well-known classical methods but can heavily suffer from non-Gaussian distributions and/or contaminated datasets, mainly because of the underlying Gaussian assumption that is not robust. This paper studies the robustness to scale changes in the data of a new discriminant analysis technique where each data point is drawn by its own arbitrary Elliptically Symmetrical (ES) distribution and its own arbitrary scale parameter. Such a model allows for possibly very heterogeneous, independent but non-identically distributed samples. The new decision rule derived is simple, fast, and robust to scale changes in the data compared to other state-of-the-art method
Abstract（参考訳）: 線形および二次判別解析(ldaおよびqda)はよく知られた古典的手法であるが、非ガウス分布および/または汚染データセットに苦しむことがある。本稿では,各データ点を任意の楕円対称(ES)分布と独自の任意のスケールパラメータで描画する,新しい識別分析手法のデータのスケール変化に対するロバスト性について検討する。このようなモデルは、おそらく非常に異質で、独立で、特定されていない分散サンプルを可能にする。導出される新しい決定規則は、他の最先端手法と比較して、データのスケール変更に対して単純で高速で堅牢である

関連論文リスト

Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文参考訳（メタデータ） (2024-04-24T09:04:36Z)
Anomaly Detection Under Uncertainty Using Distributionally Robust Optimization Approach [0.9217021281095907]
異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。 1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
論文参考訳（メタデータ） (2023-12-03T06:13:22Z)
FEMDA: a unified framework for discriminant analysis [4.6040036610482655]
非ガウスデータセットを扱うための新しいアプローチを提案する。考慮されているモデルは、任意のスケールパラメータを持つクラスタ毎の任意の対称性(ES)分布である。新しい決定規則を導出することにより,最大値のパラメータ推定と分類が,最先端手法と比較してシンプルで効率的で堅牢であることを示す。
論文参考訳（メタデータ） (2023-11-13T17:59:37Z)
Sketched Gaussian Model Linear Discriminant Analysis via the Randomized Kaczmarz Method [7.593861427248019]
超大規模データに対する二進法クラスガウスモデル線形判別分析(LDA)に対する反復的ランダム化手法であるスケッチ付き線形判別分析を提案する。最小二乗の定式化を利用して、降下勾配の枠組みを動員する。一定回数の反復で新しいデータに対するスケッチ付き予測を収束保証する。
論文参考訳（メタデータ） (2022-11-10T18:29:36Z)
Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文参考訳（メタデータ） (2022-07-05T14:55:16Z)
Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文参考訳（メタデータ） (2022-04-07T17:59:19Z)
A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文参考訳（メタデータ） (2022-01-28T10:01:37Z)
Robust classification with flexible discriminant analysis in heterogeneous data [0.7646713951724009]
本稿では、各データポイントを任意のスケールパラメータで描画する、新しいロバスト判別分析を提案する。パラメータの最大値の推定と分類は、最先端の手法と比較して非常に単純で、高速で、堅牢である。
論文参考訳（メタデータ） (2022-01-09T09:22:56Z)
Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文参考訳（メタデータ） (2020-09-01T15:08:23Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。